dubbo负载均衡算法源码解析

      在集群负载均衡时，Dubbo提供了4种均衡策略，如：Random LoadBalance(随机均衡算法)、；RoundRobin LoadBalance(权重轮循均衡算法)、LeastAction LoadBalance(最少活跃调用数均衡算法)、ConsistentHash LoadBalance(一致性Hash均衡算法)。缺省时为Random随机调用。具体UML类图如下：

1、RandomLoadBalance(随机算法)

          这个随机的策略是默认的策略,但是这个随机和我们理解上的随机还是不一样的,因为他还有个概念叫 weight(权重),这里说的权重就是用来控制这个随机的概率的,我们来看代码实现.

 protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {        int length = invokers.size();// 总个数        int totalWeight = 0;// 总权重        boolean sameWeight = true;// 权重是否都一样        int offset;        int i;        for(offset = 0; offset < length; ++offset) {            i = this.getWeight((Invoker)invokers.get(offset), invocation);            totalWeight += i;// 累计总权重            if(sameWeight && offset > 0 && i != this.getWeight((Invoker)invokers.get(offset - 1), invocation)) {// 计算所有权重是否一样                sameWeight = false;            }        }        if(totalWeight > 0 && !sameWeight) {            // 如果权重不相同且权重大于0则按总权重数随机            offset = this.random.nextInt(totalWeight);            // 并确定随机值落在哪个片断上            for(i = 0; i < length; ++i) {                offset -= this.getWeight((Invoker)invokers.get(i), invocation);                if(offset < 0) {                    return (Invoker)invokers.get(i);                }            }        }        // 如果权重相同或权重为0则均等随机        return (Invoker)invokers.get(this.random.nextInt(length));    }

2、RoundRobinLoadBalance（轮询算法）

Round-Robin既是轮询算法，是按照公约后的权重设置轮询比率，即权重轮询算法(Weighted Round-Robin) ，它是基于轮询算法改进而来的。这里之所以写RoundRobin是为了跟Dubbo中的内容保持一致。

  protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {        String key = ((Invoker)((List)invokers).get(0)).getUrl().getServiceKey() + "." + invocation.getMethodName();        int length = ((List)invokers).size();// 总个数        int maxWeight = 0;// 最大权重        int minWeight = 2147483647;// 最小权重        int currentWeight;        for(int sequence = 0; sequence < length; ++sequence) {            currentWeight = this.getWeight((Invoker)((List)invokers).get(sequence), invocation);            maxWeight = Math.max(maxWeight, currentWeight);// 累计最大权重            minWeight = Math.min(minWeight, currentWeight);// 累计最小权重        }        AtomicPositiveInteger var13;        if(maxWeight > 0 && minWeight < maxWeight) { // 权重不一样            var13 = (AtomicPositiveInteger)this.weightSequences.get(key);            if(var13 == null) {                this.weightSequences.putIfAbsent(key, new AtomicPositiveInteger());                var13 = (AtomicPositiveInteger)this.weightSequences.get(key);            }            currentWeight = var13.getAndIncrement() % maxWeight;            ArrayList weightInvokers = new ArrayList();            Iterator weightLength = ((List)invokers).iterator();            while(weightLength.hasNext()) {                Invoker invoker = (Invoker)weightLength.next();                if(this.getWeight(invoker, invocation) > currentWeight) { // 筛选权重大于当前权重基数的Invoker                    weightInvokers.add(invoker);                }            }            int var14 = weightInvokers.size();            if(var14 == 1) {                return (Invoker)weightInvokers.get(0);            }            if(var14 > 1) {                invokers = weightInvokers;                length = weightInvokers.size();            }        }        var13 = (AtomicPositiveInteger)this.sequences.get(key);        if(var13 == null) {            this.sequences.putIfAbsent(key, new AtomicPositiveInteger());            var13 = (AtomicPositiveInteger)this.sequences.get(key);        }        // 取模轮循        return (Invoker)((List)invokers).get(var13.getAndIncrement() % length);    }

3、LeastActiveLoadBalance(最少活跃数)

1、最少活跃调用数，相同活跃数的随机，活跃数指调用前后计数差；
2、使慢的提供者收到更少请求，因为越慢的提供者的调用前后计数差会越大。

 protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {        int length = invokers.size();//总活跃数        int leastActive = -1;//初始化最小活跃数        int leastCount = 0;//最少活跃数相同数量        int[] leastIndexs = new int[length];//最少活跃数相同的数据        int totalWeight = 0;//总权重        int firstWeight = 0;//第一个权重方便对比        boolean sameWeight = true;//是否所有权重相同        int offsetWeight;        int leastIndex;        for(offsetWeight = 0; offsetWeight < length; ++offsetWeight) {            Invoker i = (Invoker)invokers.get(offsetWeight);            leastIndex = RpcStatus.getStatus(i.getUrl(), invocation.getMethodName()).getActive();            int weight = i.getUrl().getMethodParameter(invocation.getMethodName(), "weight", 100);// 权重            if(leastActive != -1 && leastIndex >= leastActive) { // 发现更小的活跃数，重新开始                if(leastIndex == leastActive) {                    leastIndexs[leastCount++] = offsetWeight;// 累计相同最小活跃数下标                    totalWeight += weight;// 累计总权重                    if(sameWeight && offsetWeight > 0 && weight != firstWeight) {  // 判断所有权重是否一样                        sameWeight = false;                    }                }            } else {                leastActive = leastIndex;// 记录最小活跃数                leastCount = 1;// 重新统计相同最小活跃数的个数                leastIndexs[0] = offsetWeight;// 重新记录最小活跃数下标                totalWeight = weight;// 重新累计总权重                firstWeight = weight;// 记录第一个权重                sameWeight = true;// 还原权重相同标识            }        }        if(leastCount == 1) { // 如果只有一个最小则直接返回            return (Invoker)invokers.get(leastIndexs[0]);        } else {            if(!sameWeight && totalWeight > 0) {                // 如果权重不相同且权重大于0则按总权重数随机                offsetWeight = this.random.nextInt(totalWeight);                // 并确定随机值落在哪个片断上                for(int var15 = 0; var15 < leastCount; ++var15) {                    leastIndex = leastIndexs[var15];                    offsetWeight -= this.getWeight((Invoker)invokers.get(leastIndex), invocation);                    if(offsetWeight <= 0) {                        return (Invoker)invokers.get(leastIndex);                    }                }            }            // 如果权重相同或权重为0则均等随机            return (Invoker)invokers.get(leastIndexs[this.random.nextInt(leastCount)]);        }    }

4、ConsistentHashLoadBalance（一致性hash算法）

一致性Hash，相同参数的请求总是发到同一个提供者。一：一致性Hash算法可以解决服务提供者的增加、移除及挂掉时的情况，能尽可能小的改变已存在 key 映射关系，尽可能的满足单调性的要求。二：一致性Hash通过构建虚拟节点，能尽可能避免分配失衡，具有很好的平衡性。
简单讲就是,假设我们有个时钟,各服务器节点映射放在钟表的时刻上,把key也映射到钟表的某个时刻上,然后key顺时针走,碰到的第一个节点则为我们需要找的服务器节点
还是假如我们有a,b,c,d四个节点(感觉整篇文章都在做这个假如....),把他们通过 某种规则转成整数,分别为0,3,6,9.所以按照时钟分布如下图

假设这个key通过 某种规则转化成1,那么他顺时针碰到的第一个节点就是b,也就是b是我们要找的节点
那么我们可能就有疑问了,这个 某种规则究竟是什么规则?
这个规则你可以自己设计,但是要注意的是,不同的节点名,转换为相同的整数的概率就是衡量这个规则的好坏,如果你能做到不同的节点名唯一对应一个整数,那就是棒棒哒.当然java里面的 CRC32这个类你可以了解一下.
说到这里可能又会有另个疑问,时钟点数有限,万一装不下怎么办
其实这个时钟只是方便大家理解做的比喻而已,在实际中,我们可以在圆环上分布 [0,2^32-1]的数字,这量级全世界的服务器都可以装得下.
down机影响
通过上图我们可以看出,当b节点挂了之后,根据顺时针的规则,那么目标节点就是c,也就是说,只影响了一个节点,其他节点不受影响.
如果是轮询的取模算法,假设从N台服务器变成了N-1台,那么命中率就变成 1/(N-1),因此服务器越多,影响也就越大.
虚拟节点
为什么要有虚拟节点的概念呢?我们还是回到第一个假设,我们还是有a,b,c,d四个节点,他们通过某个规则转化成0,3,6,9这种自然是均匀的.但是万一是0,1,2,3这样,那就是非常不均匀了.事实上, 一般的 Hash函数对于节点在圆环上的映射,并不均匀.所以我们需要引入虚拟节点,那么什么是虚拟节点呢?
假如有N个真实节点,把每个真实节点映射成M个虚拟节点,再把 M*N 个虚拟节点, 散列在圆环上. 各真实节点对应的虚拟节点相互交错分布这样,某真实节点down后,则把其影响平均分担到其他所有节点上.
也就是a,b,c,d的虚拟节点 a0,a1,a2, b0,b1,b2, c0,c1,c2, d0,d1,d2散落在圆环上,假设C号节点down,则 c0,c1,c2的压力分别传给 d0,a1,b1,如下图